基于BP神經網絡的橋梁移動荷載參數識別

摘 要：【目的】為了研究不同類型輸入樣本對移動荷載參數神經網格識別模型效率和精度的影響，并為移動荷載參數識別提供可靠的理論方法依據。【方法】通過ANSYS有限元分析和MATLAB大數據處理方法，開展了不同樣本參數組合對橋梁移動荷載識別精度和效率影響的研究，分析了不同樣本訓練的BP神經網絡對移動荷載參數識別效率與精度的影響。【結果】研究結果表明：撓度和應變混合樣本作為輸入參數時的BP神經網絡識別效率可分別提升22.46%和34.15%，該BP神經網絡對于載重的識別精度相較于撓度樣本和應變樣本訓練下的BP神經網絡可分別提升5.46％和8.25%，對于車速的識別精度相較于撓度樣本和應變樣本訓練下的BP神經網絡分別可提升15.64%和16.27%。【結論】采用撓度和應變混合樣本提供輸入參數的BP神經網絡性能可靠，可為橋梁移動荷載參數識別研究提供重要的參考。

關鍵詞：移動荷載參數識別；BP神經網絡；數值仿真；橋梁工程

中圖分類號：U441" " " 文獻標志碼：A" " 文章編號：1003-5168（2023）13-0082-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2023.13.016

Identification of Bridge Moving Load Parameters

Based on BP Neural Network

WAN Lixing1， 2

（1.School of Civil Engineering， Changsha University of Science and Technology， Changsha 410114， China;

2. Wuhan Huike Quality Inspection Co.， Ltd.， Wuhan 430050， China）

Abstract：[Purposes] This paper aims to study the influence of different types of input samples on the identification efficiency and accuracy of the neural network identification model of moving load parameters， and to provide a reliable theoretical basis for moving load parameter identification. [Methods] The influence of different sample parameter combinations on the accuracy and efficiency of bridge moving load identification was carried out through ANSYS finite element analysis and MATLAB big data processing methods. The influence of BP neural networks trained on the efficiency and accuracy of moving load parameter recognition was analyzed. [Findings] The results show that the recognition efficiency of BP neural network when deflection and strain mixed samples are used as input parameters can be increased by 22.46% and 34.15%， respectively， and the recognition accuracy of the BP neural network for load can be improved by 5.46% and 8.25% compared with the BP neural network under deflection samples and strain sample training， respectively， and the recognition accuracy of vehicle speed can be improved by 15.64% and 16.27% compared with BP neural network trained on deflection samples and strain samples， respectively. [Conclusions] Therefore， the BP neural network using mixed deflection and strain samples as input parameters is reliable， which can provide an important reference for the identification of bridge moving load parameters.

Keywords：identification of moving load parameters; BP neural network; numerical simulation; bridge engineering

0 引言

隨著我國基礎建設的快速發展，大量橋梁建成并投入使用，為保證交通干線的高效運行，橋梁運營狀態下的健康性能監測尤為重要。準確高效識別橋梁結構移動荷載各參數是對其各項性能監測分析的關鍵環節，同時對橋梁結構安全性能進行評估、可靠性分析及橋梁交通量統計也具有重要的工程實踐意義。

1 相關研究

目前，測量車輛軸載的儀器為汽車軸重儀稱重設備，車輛速度監測多采用磁電式車速傳感器。但在實際應用中，磁電式車速傳感器與汽車軸重儀稱重設備獨立工作，其采集方式均為直接測量目標值，雖然準確度較高，但汽車軸重儀須預埋在橋梁結構內，一旦老化損壞需破壞橋梁結構才可維修更換，造價高昂。相比上述直接測量移動荷載參數的方法，研究者們提出了以橋梁動態響應參數間接識別移動荷載參數參量的方法。韓萬水等［1］通過理論推導和仿真算例論證了小波有限元法（WFEM）應用于大跨徑連續梁橋移動荷載載重識別的可行性。潘楚東等［2］在既有移動荷載正則化識別方法的基礎上，考慮橋梁未知初始條件的影響，提出了基于稀疏正則化的移動荷載參數識別新方法。王寧波等［3］將橋梁控制截面應變響應作為研究對象，采用影響線擬合的思路對移動荷載參數展開了識別研究。楊慧等［4］通過對不同激活函數和訓練算法研究及模型試驗論證了BP神經網絡的激活函數組合和訓練方法對移動荷載識別的精度影響。趙煜［5］提出了多參數輸入設計理論，探討了對單一荷載識別精度問題，但未考慮不同車速下的識別敏感性問題。李忠獻等［6-8］通過建立不同模型優化了簡支梁橋和連續梁橋等結構的荷載識別方法。筆者在BP神經網絡對移動荷載識別研究的基礎上，探討了不同樣本作為輸入參數時BP神經網絡識別的敏感性，通過數值模擬數據訓練集比較了不同樣本對BP神經網絡訓練性能的影響，并通過測試數據驗證了混合樣本的BP神經網絡在移動荷載參數識別中具有較高的精度和效率。

2 基于BP神經網絡的橋梁移動荷載參量識別

2.1 樣本庫建立

2.1.1 樣本建立原則。建立橋梁移動荷載參數識別的神經網絡結構，關鍵在于準確得到輸入參數和輸出參數之間的對應關系。綜合考慮車輛載重、行駛速度和作用車道，并對其進行合理的簡化，在橋梁瞬態分析計算中載重分別取5 t、10 t、15 t、20 t；車速水平分別取36 km/h、45 km/h、72 km/h、90 km/h；作用車道簡化為每片箱梁梁頂，即1#、2#、3#號梁（梁號布置方式如圖1所示）。將上述三因素排列組合，建立48種移動荷載工況。

2.1.2 橋梁數值仿真分析。以某預應力混凝土小箱梁橋為背景，在ANSYS中建立該橋梁的數值仿真模型， ANSYS橋梁瞬態分析中，按上述要求計算每種工況作用下橋梁控制截面的應變和位移，在數據初始處理中將預應力效應引起的初始位移和應變影響消除，獲得僅考慮移動荷載作用下的橋梁響應數據作為樣本。以工況一（載重5 t，車速36 km/h，作用1#梁）通過橋梁時的響應為例，繪制控制截面應變和撓度響應時程曲線，判斷樣本庫數據質量。工況一作用下各片梁撓度和應變跨中時程曲線如圖2所示。

以樣本1為例，工況一作用下橋梁各梁控制截面峰值為樣本數據，取每片梁三個控制截面對應的撓度和應變峰值為特征值，則每個樣本工況包含撓度、應變特征值各15個（5片梁*3控制截面）。所有工況作用下的樣本集共計48組，每組樣本包含撓度、應變各15個特征值，以此建立樣本數據庫。將48組樣本數據按3∶1分組，分別作為訓練樣本和測試樣本。樣本分類見表1。

2.2 神經網絡模型

本研究重點討論不同樣本對BP神經網絡的識別精度和效率影響，因此，在MATLAB中建立BP神經網絡模型，分別調用表1中三類樣本作為輸入參數，采用合適的激活函數與學習方法展開訓練。通過對比三類神經網絡模型的迭代次數、訓練時間、平均絕對百分比誤差（MAPE）和決定系數（R2），論證基于動撓度和動應變的橋梁移動荷載參數識別合理性。

2.3 移動荷載工況識別分析

上述樣本庫建立后，在MATLAB中按表1中三類樣本分別建立三組BP神經網絡模型，每組神經網絡采用相應的樣本對網絡模型開展訓練，依次為網絡1（撓度樣本）、網絡2（應變樣本）和網絡3（混合樣本）。完成神經網絡結構建立和訓練后，在該神經網絡中調用對應測試樣本，識別樣本數據所對應的移動荷載工況，并比較不同神經網絡迭代次數、訓練時間、MAPE和R2，以此評價基于動撓度和動應變的箱梁橋移動荷載識別的可行性。

輸入不同移動荷載參數的網絡訓練情況見表2，網絡3和網絡1、2相比，網絡3的訓練時間、迭代次數、MAPE均得到提升，同時網絡3的R2超過0.9，遠大于網絡1和網絡2。即采用撓度和應變的混合樣本作為網絡輸入參數開展模型訓練時，神經網絡的訓練效率和準確性均得到提升。

為進一步驗證三組神經網絡識別性能，進行各組神經網絡對測試樣本的實際輸出與預期輸出對比，其中n=12為測試樣本組總數。

不同神經網絡移動荷載參數識別對比如圖3所示。網絡①、網絡②和網絡③分別表示撓度樣本訓練的神經網絡模型、應變樣本訓練的神經網絡模型和混合樣本訓練的神經網絡模型。由圖3可知網絡③的識別工況與預期工況越接近，則表明神經網絡③識別精度最高。如圖3（a）所示，三類網絡識別車速普遍出現低車速（36 km/h、45 km/h）識別精度較高，高車速（90 km/h）識別誤差大，但網絡③車速識別均值方差明顯小于網絡①和網絡②，即采用混合樣本訓練的神經網絡與撓度樣本和應變樣本訓練的神經網絡相比，在移動荷載車速識別精度上有較大提升。如圖3（b）所示，三類神經網絡識別結果較為理想，但采用混合樣本訓練的神經網絡模型的識別值與真實值更加接近，識別精度得到明顯提升。

經測試樣本驗證，采用混合樣本訓練的神經網絡對移動荷載各工況參數識別是可行的，各移動荷載參數的識別精度明顯優于撓度樣本和應變樣本訓練的神經網絡。

3 結論

本研究通過分析不同樣本作為輸入參數對神經網絡識別移動荷載參數的效率與準確度的影響，論證了動撓度與動應變作為混合樣本輸入參數的神經網絡能夠完成對移動荷載參數的識別，并得出以下結論。

①樣本集差異對BP神經網絡的識別性能有直接影響。

②撓度和應變混合樣本作為輸入參數時的BP神經網絡識別效率可分別提升22.46%和34.15%。

③撓度和應變混合樣本作為輸入參數時的BP神經網絡對于載重的識別精度相較于撓度樣本和應變樣本訓練下的BP神經網絡可分別提升5.46％和8.25%，對于車速的識別精度相較于撓度樣本和應變樣本訓練下的BP神經網絡可分別提升15.64%和16.27%。

④研究表明，可以通過測量橋梁在車輛行駛下的應變和撓度響應實現移動荷載參數的識別，為橋梁運營維護與性能評估提供技術參考。

參考文獻 ：

［1］韓萬水， 李彥偉， 喬磊， 等.基于車-橋耦合振動理論的移動荷載識別［J］.中國公路學報， 2013， 26（1）： 74-86.

［2］潘楚東， 余嶺， 劉煥林， 等.考慮初始條件影響的移動荷載識別稀疏正則化方法［J］.振動工程學報， 2018， 31（5）：734-743.

［3］王寧波， 任偉新， 李苗.基于影響線的橋梁移動荷載識別［J］. 振動與沖擊， 2013， 32（3）： 129-133.

［4］楊慧.基于動態響應的簡支梁橋移動荷載識別研究［D］.包頭：內蒙古科技大學，2014.

［5］趙煜，李冉冉，周勇軍，等.基于BP神經網絡的橋梁移動荷載識別精度［J］.科學技術與工程，2021，21（15）：6446-6453.

［6］李忠獻， 陳鋒. 基于時間元模型的復雜橋梁結構移動荷載識別［J］. 天津大學學報， 2006（9）： 1043-1047.

［7］李忠獻， 陳鋒. 簡支梁橋與多跨連續梁橋上移動荷載的識別與參數分析［J］.工程力學， 2006（12）： 91-99.

［8］李忠獻， 陳鋒. 基于梁格法的橋梁移動荷載識別［J］.土木工程學報， 2006（12）： 83-87.